Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phân bố không gian của HD-EMG cải thiện việc xác định nhiệm vụ và lực trong bệnh nhân tổn thương tủy sống không hoàn toàn
Tóm tắt
Các nghiên cứu gần đây cho thấy rằng phân bố không gian của bản đồ HD-EMG (điện cơ bề mặt mật độ cao) cải thiện khả năng nhận diện nhiệm vụ và mức độ co cơ tương ứng. Tuy nhiên, ở những bệnh nhân bị tổn thương tủy sống không hoàn toàn (iSCI), một số dây thần kinh kiểm soát cơ bị tổn thương, khiến một số phần cơ không được thần kinh chi phối. Do đó, các bản đồ HD-EMG ở bệnh nhân iSCI bị ảnh hưởng bởi chấn thương và có thể khác nhau ở từng bệnh nhân. Mục tiêu của nghiên cứu này là điều tra phân bố không gian của cường độ trong các ghi chép HD-EMG để phân biệt các mẫu đồng kích hoạt cho các nhiệm vụ và mức độ nỗ lực khác nhau ở bệnh nhân iSCI. Các mẫu này được đánh giá để sử dụng cho việc trích xuất ý định vận động. HD-EMG được ghi lại ở bệnh nhân trong bốn nhiệm vụ tĩnh cứng ở cẳng tay ở ba mức độ nỗ lực khác nhau. Một bộ phân loại phân biệt tuyến tính dựa trên các đặc trưng cường độ và không gian của bản đồ HD-EMG của năm nhóm cơ trên cánh tay được sử dụng để xác định các nhiệm vụ đã cố gắng thực hiện. Việc xác định nhiệm vụ và lực được đánh giá cho từng bệnh nhân một và độ tin cậy của việc xác định này được kiểm tra với khả năng chịu đựng của cơ và khoảng thời gian giữa huấn luyện và xác định. Ba bộ đặc trưng đã được phân tích trong việc xác định: 1) cường độ của bản đồ HD-EMG, 2) cường độ và trọng tâm của các bản đồ HD-EMG và 3) cường độ của một kênh EMG vi phân đơn (chuẩn vàng). Kết quả cho thấy sự kết hợp giữa cường độ và các đặc trưng không gian trong phân loại nhận diện nhiệm vụ và mức độ nỗ lực chính xác (Acc = 98.8 %; S = 92.5 %; P = 93.2 %; SP = 99.4 %) và vượt trội một cách rõ rệt so với hai bộ đặc trưng còn lại (p < 0.05). Mặc dù chức năng vận động bị hạn chế, một mẫu đồng kích hoạt đặc thù cho từng bệnh nhân tồn tại cả về cường độ và phân bố không gian của hoạt động cơ điện. Phân bố không gian ít nhạy cảm hơn so với cường độ với những thay đổi của điện cơ xảy ra do sự mệt mỏi và các ảnh hưởng thời gian khác.
Từ khóa
Tài liệu tham khảo
Li G, Schultz AE, Kuiken TA. Quantifying pattern recognition- based myoelectric control of multifunctional transradial prostheses. IEEE Trans Neural Syst Rehabil Eng. 2010;18(2):185–92.
Young AJ, Smith LH, Rouse EJ, Hargrove LJ. Classification of simultaneous movements using surface EMG pattern recognition. IEEE Trans Biomed Eng. 2013;60(5):1250–8.
Stango A, Negro F, Farina D. Spatial Correlation of High Density EMG Signals Provides Features Robust to Electrode Number and Shift in Pattern Recognition for Myocontrol. IEEE Trans Neural Syst Rehabil Eng. 2015;23(2):189–98.
Vaca Benitez LM, Tabie M, Will N, Schmidt S, Jordan M, Kirchner EA. Exoskeleton technology in rehabilitation: Towards an EMG-based orthosis system for upper limb neuromotor rehabilitation. J Robot. 2013;2013:13.
Dipietro L, Ferraro M, Palazzolo JJ, Krebs HI, Volpe BT, Hogan N. Customized interactive robotic treatment for stroke: EMG-triggered therapy. IEEE Trans Neural Syst Rehabil Eng. 2005;13(3):325–34.
Marchal-Crespo L, Reinkensmeyer DJ. Review of control strategies for robotic movement training after neurologic injury. J Neuroeng Rehabil. 2009;6:20.
Hakonen M, Piitulainen H, Visala A. Current state of digital signal processing in myoelectric interfaces and related applications. Biomed Signal Process Control Elsevier Ltd. 2015;18:334–59.
Farina D, Jiang N, Rehbaum H, Holobar A, Graimann B, Dietl H, et al. The extraction of neural information from the surface EMG for the control of upper-limb prostheses: emerging avenues and challenges. IEEE Trans Neural Syst Rehabil Eng. 2014;22(4):797–809.
Oskoei MA, Hu H. Myoelectric control systems-A survey. Biomed Signal Process Control. 2007;2(4):275–94.
Hargrove LJ, Englehart K, Hudgins B. A comparison of surface and intramuscular myoelectric signal classification. IEEE Trans Biomed Eng. 2007;54(5):847–53.
Zhang X, Zhou P. High-Density Myoelectric Pattern Recognition Toward Improved Stroke Rehabilitation. IEEE Trans Biomed Eng. 2012;59(6):1649–57.
Scheme E, Englehart K. Training strategies for mitigating the effect of proportional control on classification in pattern recognition-based myoelectric control. J Prosthetics Orthot. 2013;25(2):76–83.
Boschmann A, Platzner M. Reducing the Limb Position Effect in Pattern Recognition Based Myoelectric Control using a High Density Electrode Array. ISSNIP Biosignals Biorobotics Conf. 2013;2013:1–5.
Young AJ, Hargrove LJ, Kuiken TA. Improving myoelectric pattern recognition robustness to electrode shift by changing interelectrode distance and electrode configuration. IEEE Trans Biomed Eng. 2012;59(3):645–52.
Li Y, Chen X, Zhang X, Zhou P. Several practical issues toward implementing myoelectric pattern recognition for stroke rehabilitation. Med Eng Phys. 2014;36(6):754–60.
Tkach D, Huang H, Kuiken TA. Study of stability of time-domain features for electromyographic pattern recognition. J Neuroeng Rehabil. 2010;7:21.
Liu J, Zhou P. A novel myoelectric pattern recognition strategy for hand function restoration after incomplete cervical spinal cord injury. IEEE Trans Neural Syst Rehabil Eng. 2013;21(1):96–103.
Englehart K, Hudgins B, Parker PA, Stevenson M. Classification of the myoelectric signal using time-frequency based representations. Med Eng Phys. 1999;21(6-7):431–8.
Oskoei MA, Hu H. GA-based feature subset selection for myoelectric classification. 2006 IEEE Int Conf Robot Biomimetics, ROBIO 2006. 2006;1465–70
Merletti R, Botter A, Troiano A, Merlo E, Minetto MA. Technology and instrumentation for detection and conditioning of the surface electromyographic signal: State of the art. Clin Biomech. 2009;24(2):122–34.
Merletti R, Aventaggiato M, Botter A, Holobar A, Marateb H, Vieira TMM. Advances in surface EMG: recent progress in detection and processing techniques. Crit Rev Biomed Eng. 2010;38(4):305–45.
Vieira TMM, Merletti R, Mesin L. Automatic segmentation of surface EMG images: Improving the estimation of neuromuscular activity. J Biomech. 2010;43(11):2149–58.
Holtermann A, Roeleveld K, Karlsson JS. Inhomogeneities in muscle activation reveal motor unit recruitment. J Electromyogr Kinesiol. 2005;15(2):131–7.
Tucker K, Falla D, Graven-Nielsen T, Farina D. Electromyographic mapping of the erector spinae muscle with varying load and during sustained contraction. J Electromyogr Kinesiol. 2009;19(3):373–9.
Rojas-Martínez M, Mañanas MA, Alonso JF, Merletti R. Identification of isometric contractions based on High Density EMG maps. J Electromyogr Kinesiol. 2013;23(1):33–42.
Merletti R, Hermens H. Detection and Conditioning of the surface EMG signal. Electromyography: Physiology, Engineering, and Noninvasive Applications. New Jersey, USA: Wiley; 2004. p. 115–20.
Pizzigalli L, Ahmaidi S, Rainoldi A. Effects of sedentary condition and longterm physical activity on postural balance and strength responses in elderly subjects. Sport Sci Health. 2014;10(2):135–41.
Holobar A, Minetto MA, Botter A, Negro F, Farina D. Experimental Analysis of Accuracy in the Identification of Motor Unit Spike Trains From High-Density Surface EMG. IEEE Trans Neural Syst Rehabil Eng. 2010;18(3):221–9.
Rojas-Martínez M, Mañanas MA, Alonso JF. High-density surface EMG maps from upper-arm and forearm muscles. J Neuroeng Rehabil. 2012;9:85.
Mañanas MA, Romero S, Topor ZL, Bruce EN, Houtz P, Caminal P. Cardiac interference in myographic signals from different respiratory muscles and levels of activity. 2001 Conf Proc 23rd Annu Int Conf IEEE Eng Med Biol Soc. 2001;2:1115–8
Staudenmann D, Roeleveld K, Stegeman DF, van Dieen JH. Methodological aspects of SEMG recordings for force estimation - A tutorial and review. J Electromyogr Kinesiol. 2010;20(3):375–87.
De Luca CJ. The use of surface electromyography in biomechanics. J Appl Biomech. 1997;13(2):135–63.
Hermens H, Freriks B. SENIAM 9: European Recommendations for Surface ElectroMyoGraphy, results of the SENIAM project (CD). Enschede, the Netherlands: Roessingh Research and Development; 1999.
Wang Y, Li J, Li Y. Measure for data partitioning in m x 2 cross-validation. Pattern Recognit Lett Elsevier Ltd. 2015;65:211–7.
Zimmer C, Sahle S. Comparison of approaches for parameter estimation on stochastic models: Generic least squares versus specialized approaches. Comput Biol Chem. 2016;61:75–85.
Farina D, Colombo R, Merletti R, Olsen HB. Evaluation of intra-muscular EMG signal decomposition algorithms. J Electromyogr Kinesiol. 2001;11(3):175–87.
Searle A, Kirkup L. A direct comparison of wet, dry and insulating bioelectric recording electrodes. Physiol Meas. 2000;21(2):271–83.
De Luca CJ. Myoelectrical manifestations of localized muscular fatigue in humans. Crit Rev Biomed Eng. 1984;11(4):251–79.
Wan B, Xu L, Ren Y, Wang L, Qiu S, Liu X, et al. Study on fatigue feature from forearm SEMG signal based on wavelet analysis. 2010 IEEE Int Conf Robot Biomimetics, ROBIO 2010. 2010;1229–32
Greenhouse SW, Geisser S. On methods in the analysis of profile data. Psychometrika. 1959;24(2):95–112.
Landa S, Everitt BS. A Handbook of Statistical Analyses using SPSS. Boca Raton: Chapman & Hall/CRC; 2004.
Loftus GR, Masson ME. Using confidence intervals in within-subject designs. Psychon Bull Rev. 1994;1(4):476–90.
Grouven U, Bergel F, Schultz A. Implementation of linear and quadratic discriminant analysis incorporating costs of misclassification. Comput Methods Programs Biomed. 1996;49(1):55–60.
Muller-Putz G, Leeb R, Tangermann M, Hohne JH, Kubler AK, Cincotti F, et al. Towards Noninvasive Hybrid Brain–Computer Interfaces: Framework, Practice, Clinical Application, and Beyond. Proc IEEE. 2015;103(6):926-943.
Rohm M, Schneiders M, Müller C, Kreilinger A, Kaiser V, Müller-Putz GR, et al. Hybrid brain-computer interfaces and hybrid neuroprostheses for restoration of upper limb functions in individuals with high-level spinal cord injury. Artif Intell Med. 2013;59(2):133–42.
Kendall FP, Kendall McCreary E, Provance PG. Muscles: testing and function. 4th ed. New York: Williams & Wilkins; 1993.